无监督学习的 Kalman 滤波
信号处理
2021-10-19 v1 机器学习
摘要
在本文中，我们调整 KalmanNet——一种最近提出的深度神经网络 (DNN) 辅助系统，其架构遵循基于模型的 Kalman 滤波器 (KF) 的操作——以无监督方式学习其映射，即无需真实状态。无监督调整是通过利用 KalmanNet 的混合基于模型/数据驱动架构实现的，该架构像 KF 一样在内部预测下一个观测。随后，这些内部特征被用于计算损失，而不是系统输出的状态估计。凭借无监督学习能力，人们不仅可以使用 KalmanNet 跟踪隐藏状态，还能使其适应状态空间 (SS) 模型的变化。我们在数值上证明，当噪声统计特性未知时，无监督 KalmanNet 取得了与有监督学习 KalmanNet 相似的性能。我们还表明，得益于无监督能力，我们可以在不提供额外数据的情况下，将预训练的 KalmanNet 适应到不断变化的 SS 模型。
引用
@article{arxiv.2110.09005,
title = {Unsupervised Learned Kalman Filtering},
author = {Guy Revach and Nir Shlezinger and Timur Locher and Xiaoyong Ni and Ruud J. G. van Sloun and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2110.09005},
year = {2021}
}
备注
5 Pages, 5 Figures, Submitted to ICASSP 2022